Impara Join Spaziali con Geopandas | Tecniche di Analisi Spaziale

Scorri per mostrare il menu

Le join spaziali sono un modo potente per combinare dataset geospaziali basandosi sulle loro relazioni spaziali invece che solo sulla corrispondenza dei valori degli attributi. Con geopandas, è possibile eseguire facilmente join spaziali per rispondere a domande come "Quali punti ricadono in quali poligoni?" oppure "Quali elementi sono più vicini tra loro?" Lo strumento principale per questo in geopandas è il metodo sjoin(), che unisce due oggetti GeoDataFrame valutando le loro relazioni spaziali.

Supponiamo di avere due dataset spaziali: uno contenente le posizioni delle scuole (come punti) e un altro contenente i confini dei quartieri (come poligoni). Eseguendo una join spaziale, è possibile determinare in quale quartiere si trova ciascuna scuola, oppure contare il numero di scuole per quartiere.

Il metodo sjoin() in geopandas consente di specificare il tipo di relazione spaziale da utilizzare per la join, come within, contains o intersects. Inoltre, è possibile scegliere il tipo di join — left, right o inner — che determina come i record di ciascun dataset vengono abbinati e mantenuti nel risultato.


              123456789101112131415161718192021222324252627282930313233343536
            
import geopandas as gpd
from shapely.geometry import Point, Polygon

# Create GeoDataFrame of points (e.g., schools)
points = gpd.GeoDataFrame({
    "school": ["A", "B", "C"],
    "geometry": [
        Point(1, 1),
        Point(2, 2),
        Point(3, 3)
    ]
})

# Create GeoDataFrame of polygons (e.g., neighborhoods)
polygons = gpd.GeoDataFrame({
    "neighborhood": ["Red", "Blue"],
    "geometry": [
        Polygon([(0,0), (0,2), (2,2), (2,0)]),   # Red neighborhood
        Polygon([(2,2), (2,4), (4,4), (4,2)])    # Blue neighborhood
    ]
})

# Spatial join: which school is in which neighborhood?
left_join = gpd.sjoin(points, polygons, how="left", predicate="within")
right_join = gpd.sjoin(points, polygons, how="right", predicate="within")
inner_join = gpd.sjoin(points, polygons, how="inner", predicate="within")

print("Left Join Result:")
print(left_join[["school", "neighborhood"]])

print("\nRight Join Result:")
print(right_join[["school", "neighborhood"]])

print("\nInner Join Result:")
print(inner_join[["school", "neighborhood"]])

Nell'esempio sopra sono illustrati tre tipi di join:

Left join: mantiene tutti i punti (scuole), aggiungendo le informazioni sul quartiere dove disponibili;
Right join: mantiene tutti i poligoni (quartieri), aggiungendo le scuole contenute al loro interno;
Inner join: mantiene solo i punti che si trovano all'interno di un quartiere.

La scelta del tipo di join corretto dipende dagli obiettivi dell'analisi. Ad esempio, se si vogliono tutte le scuole indipendentemente dal fatto che ricadano o meno in un quartiere, utilizzare una left join. Se si desidera vedere tutti i quartieri e le scuole che contengono, utilizzare una right join. Se interessano solo le scuole che si trovano all'interno dei quartieri, utilizzare una inner join.

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 1

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Sezione 2. Capitolo 1